基于改进随机漫步者非凸秩逼近最小化的复杂背景下红外点目标检测方法研究.pdf
《基于改进随机漫步者非凸秩逼近最小化的复杂背景下红外点目标检测方法研究.pdf》由会员分享,可在线阅读,更多相关《基于改进随机漫步者非凸秩逼近最小化的复杂背景下红外点目标检测方法研究.pdf(12页珍藏版)》请在咨信网上搜索。
1、第 42 卷第 4 期2023 年 8 月红 外 与 毫 米 波 学 报J.Infrared Millim.WavesVol.42,No.4August,2023基于改进随机漫步者非凸秩逼近最小化的复杂背景下红外点目标检测方法研究王坤1,2,蒋德富2*,云利军1,伍凌帆3(1.云南师范大学信息学院,云南 昆明 650500;2.河海大学计算机与信息学院,江苏 南京 211100;3.中国科学院微电子所昆山分所,江苏 昆山 215347)摘要:红外点目标检测是红外制导系统的关键技术之一,是军事应用领域的研究热点。一方面,点目标在大气传输和散射过程中由于观测距离长,常常淹没在背景杂波和大噪声中,信
2、噪比低。另一方面,图像中的目标以模糊点的形式出现,使得目标没有明显的特征和纹理信息。由于不同红外图像中的点目标具有不同的外观、形状和姿态,加之噪声杂波的干扰遮挡,经过单帧检测后,除了真实目标外,图像中可能有虚假目标和一些强噪声。因此,由于这几个因素,红外点目标检测变得非常困难。为了解决这一问题,作者研究了红外点目标检测的相关方法,提出了非凸秩逼近最小化方法(NRAM)与改进的随机漫步者方法(MRW)相结合的方法(NRAM-MRW),在复杂的红外背景下,针对红外点目标的检测中有着较好的检测效果。关键词:红外图像;点目标检测;NRAM;随机漫步者中图分类号:TP391.4 文献标识码:JThe i
3、nfrared point target detection algorithm based on modified random walker and non-convex rank approximation minimization under the complex backgroundWANG Kun1,2,JIANG De-Fu2*,YUN Li-Jun1,WU Ling-Fan3(1.School of Information Science and Technology,Yunnan Normal University,Kunming 650500,China;2.Colleg
4、e of Computer and Information,Hohai University,Nanjing 211100,China;3.Institute of Microelectronic Technology of Kunshan,Chinese Academy of Sciences,Kunshan 215347,China)Abstract:Infrared point target detection is one of the key technologies of the infrared guidance system.On the one hand,due to the
5、 long observation distance,the point target is often submerged in the background clutter and large noise in the process of atmospheric transmission and scattering,and the signal-to-noise ratio is low.On the other hand,the target in the image appears in the form of fuzzy points,so that the target has
6、 no obvious features and texture information.Therefore,due to these two factors,infrared point target detection becomes intensely difficult.In order to address the issue,the relevant algorithms of point infrared target detection are studied,and a combination algorithm of non-convex rank approximatio
7、n minimization algorithm and the modified random walker algorithm(NRAM-MRW)is proposed,which has a better detection effect of point infrared target detection under complex background.Key words:infrared image,point target detection,NRAM,random walker文章编号:1001-9014(2023)04-0546-12DOI:10.11972/j.issn.1
8、001-9014.2023.04.017收稿日期:2022 09 12,修回日期:2023 02 12 Received date:2022 09 12,revised date:2023 02 12基金项目:国家自然科学基金(61966040);云南省科技厅青年项目(2013FD016)Foundation items:Supported by the National Natural Science Foundation of China(6196640);Supported by the Project of Yunnan Province Science and Technology
9、Department for young(2013FD016)作者简介(Biography):王坤(1983),男,山东邹城人,讲师,博士研究生,主要研究领域为红外视频图像处理、计算机视觉与嵌入式系统等.E-mail:ynnu_*通讯作者(Corresponding author):E-mail:Surfer_4 期王坤 等:基于改进随机漫步者非凸秩逼近最小化的复杂背景下红外点目标检测方法研究引言复杂背景下的红外点目标检测被认为是一个困难和具有挑战性的问题1,因为目标小、信噪比低,同时缺乏清晰的形状和纹理信息2。目前已有很多图像处理技术被用于小目标检测,在实际应用中,由于目标与成像传感器之间的
10、运动速度较快,再加上各种复杂的背景,无法满足实时性要求。由于红外图像背景重复元素多,故而具有低秩特性;点目标特征点少,故而呈现稀疏特性3,4。这样对红外点目标的检测就转换为一个分类任务,基于稀疏表示在分类任务中的良好表现,低秩稀疏恢复的方法在红外点目标检测中也越来越受到相关研究人员的关注。最早在2014年,由美国陆军传感器研究实验室(Nasrabadi)提出的基于稀疏表示的多光谱图像目标检测方法5;为了有效地描述噪声数据,He等人在SR理论和低秩矩阵的基础上提出了采用增广拉格朗日乘子法进行优化的LRSR模型6。该方法在强噪声背景下可以很好地检测出点目标,但背景抑制效果不佳。Gao 等人提出了基
11、于滑窗方式分块的 IPI 模型7,该方法根据每个块的稀疏的目标特性实现点目标的检测。针对背景的非局部自相关结构,IPI模型的假设与真实场景吻合较好。利用背景的低秩特性和目标的稀疏性,将常规的小目标检测问题转化为RPCA优化问题。Dai等人提出了WIPI模型,该模型在抑制强边缘的同时也能更好地保留红外点目标8;进一步,针对先验信息不足和强边缘的红外点目标检测,再提出了RIPT模型9;为了解决对强边缘信息观测值不足与隐含假设不匹配问题,又提出了 NIPPS模型,该方法采用奇异值的部分和来代替低阶背景块图像,能很好地消除目标图像的残差10。为了适应不同的图像,解决边缘较强的图像的问题,熊斌等人使用自
12、适应的权重,并使用增广拉格朗日乘子法,提出了改进IPI模型中RPCA问题的APG 方法,优化了处理时间,并提高了准确率11。Wang等人提出了一种根据IPI模型保持图像的空间相关性,构建为块图像形式,采用ADMM乘子法进行优化求解,以便处理非平滑、非均匀背景的 TV-PCP红外点目标检测方法12,TV-PCP 方法因为背景估计更加准确,进而减少了噪声的干扰,提高了目标检测率,同时也提升了图像的清晰度。但上述两种改进方法都未针对复杂的背景。针对上述情形,Wang等人提出了采用稳定的多子空间学习的SMSL模型,提升了异构背景的精准度13。但针对复杂背景特别是含杂波信号的红外图像,由于噪声和目标一样
13、呈现稀疏特性,将导致虚警率增高。针对复杂场景,Zhang等人提出了一种能较好地抑制背景的非凸秩逼近最小化与加权l1范数的红外点目标检测NRAM方法14,但在复杂的变化场景下,该方法的虚警率依然较高。为了解决上述问题,我们提出了一种结合非凸秩逼近最小化(NRAM)和随机漫步者(RW)的红外点目标检测方法,旨在复杂背景下,尤其是变换场景下,具有鲁棒性的红外点目标检测方法。本文中,我们将点目标检测问题归类为局部图像分割问题,并将非凸秩逼近最小化方法识别的目标作为种子,再采用随机漫步者方法实现真实目标与虚假目标的分割,从而提高检测成功率。RW方法最初用于基于小组标记像素的一般图像分割23,24。本文提
14、出的目标检测方法主要组成部分:NRAM方法、局部RW分割和目标检测。首先我们采用NRAM方法生成种子选择图(Seed Select Map,SSM),再提取一组候选目标像素;然后根据候选目标像素周围的局部区域,利用改进的RW方法得到原始图像的置信度映射,根据自适应阈值分割提取出真实目标。在真实的红外图像上进行了综合实验,验证了该方法的有效性。本文提出的方法主要功能如下:(1)利用非凸秩逼近最小化方法生成SSM,然后提取出候选目标像素作为MRW方法的种子选择;(2)利用 MRW 方法得到原始图像的置信度映射;(3)最后根据自适应阈值分割提取出真实目标。本文其余部分组织如下:第1节中将对非凸秩逼近
15、最小化方法和RW方法进行回顾,并介绍所提出的将两种方法进行结合的方法(NRAM-MRW);第2节介绍了实验结果,并对结果进行主观评价和客观评价;第3节将对本文进行总结。1 方法 在本节中,我们首先简要回顾非凸秩逼近最小化方法和随机漫步者方法的理论。然后,根据在非凸秩逼近最小化方法的基础上,采用了一种自适应种子选择方法。在此基础上,给出了随机漫步者方法的实例。最后,给出了一种基于随机漫步者的红54742 卷 红 外 与 毫 米 波 学 报外点目标检测方法的完整框架和详细方法。1.1非凸秩逼近最小化方法在上一节中我们了解由于红外图像背景重复元素多,故而具有低秩特性;点目标特征点少,故而呈现稀疏特性
16、,且红外点目标成正态分布特性。基于这一点,我们采用非凸秩逼近最小化方法来表示目标的稀疏特性,从而构造出随机漫步者方法的种子选择图。含有红外点目标图像可以看作是14:fD=fB+fN+fT,(1)其中,fD、fB、fN、fT分别是原始图像、背景图像、噪声图像和目标图像。上一节中,Gao等人基于滑动窗口内矩阵向量化提出了 IPI 模型来描述原始红外图像。由于红外点目标只占用几个像素,所以目标T相对于整个图像矩阵是一个稀疏矩阵,而红外点目标图像背景变化缓慢,所以背景B是一个低秩矩阵。要想将目标与背景进行分离,就是将目标T的稀疏矩阵和背景B的低秩矩阵进行求解的过程。非凸秩逼近最小化方法的流程如下:(1
17、)首先通过从上到下、从左到右k k的滑动窗口,将原始红外图像I Rm n变换为D Rk2 t的patch-image,其中t为窗口滑动数,将每个矩阵内部的矩阵向量化为所构造的patch-image D的一列,从而构建出整幅图像的 patch-image D。由于结构噪声属于背景,根据式(1),patch-image D 又可以描述为:image D=patch-image B+patch-image T,(2)其中,patch-image B为低秩矩阵B(含结构噪声矩阵E),patch-image T为稀疏矩阵T。(2)为了将目标和背景分离,利用范式来描述背景 patch-image 的秩,用
18、l1范式来描述目标patch-image的稀疏性,又由于结构噪声属于背景,从而将输入的 patch-image D 分解为低秩矩阵 B和稀疏矩阵T(含结构噪声矩阵E)。Zhao等人17提出了一种新的非凸函数来直接近似被称为范数。矩阵B的范数表示如式(3):|B|=i(1+)i(B)+i(B),0,(3)从 式(3)可 以 看 出lim 0|B|=rank(B)、lim|B|=|B|*。文献 14 中讨论了几种秩的替代,从中可以看出,范数几乎与真秩一致(这里使用=0.002),加权核范数比核范数和log-det启发式18更符合实际;然而,每次确定权重时,都会出现额外的奇异值分解(SVD)19,这
19、增加了方法的运行时间。为了同时保持精度和速度,范数是描述背景patch-image的秩的最佳候选。是决定本底回收率的重要因素。在较小的情况下,秩代范数与真实秩接近。但是,如果太小,目标也会被视为低秩分量。显然,不能太大,因为那样会导致与真实秩的偏离,就像核常态那样。因此,重要的是要为找到一个合适的值,以保持探测概率和虚警比之间的平衡。根据Zhang14对值的讨论,的最佳值是0.002。(3)利用l1范数来描述目标patch-image的稀疏性即红外点目标特征。由于处理非凸非光滑的l0范数是NP-hard的,许多方法20-22则利用l0范数来描述目标patch-image的稀疏性。与核范数类似,
20、l1范数赋予每个单一元素相同的权值;考虑到大多数非目标稀疏点的亮度低于小目标的亮度,可以用加权l1范数20更准确地描述目标patch-image:|T|W,1=ijwij|Tij|,(4)wij=C|Tij|+T,(5)式中wij是权值矩阵W在(i,j)的一个元素;C是一个折衷常数,T是一个小正数,以避免被零除。然后,通过非凸秩近似最小化提出的红外patch-image模型表述如下:min|B|+|T|w,1+|E|2,1s.t.X=B+T+E,(6)式中和为正权衡系数。引入拉格朗日乘子法来求解式(6),可以改写为增广拉格朗日函数:L(D,B,T,E,)=|B|+|T|w,1+|E|2,1+,
21、D-B-T-E+2|D-B-T-E|2F,(7)式中表示两个矩阵的内积;|F为 Frobenius 范数。最后引入基于乘子交替方法(ADMM)的优化方法:Bk+1=argminB|B|+k2|D-B-Tk-Ek-kk|2F,(8)Tk+1=argminT|T|w,1+k2|D-Bk+1-T-Ek-kk|2F,(9)由于本文仅针对点目标进行检测,故只针对式(9)进行优化,式(8)类同(参考文献 14)。由于|w,1范数是一个非凸函数,而式(9)是非凸项和凸项的5484 期王坤 等:基于改进随机漫步者非凸秩逼近最小化的复杂背景下红外点目标检测方法研究组合,因此利用凸(DC)规划34的差分来求解式(
22、9)并进行迭代优化35-36,式(9)可解为:Tk+1=Sw k(D-Bk+1-Ek-kk),(10)式中和按标准方式更新:k+1=k+k(D-Bk+1-Tk+1-Ek+1),(11)k+1=k.(12)(4)采用一维中值滤波对几个patch重叠的位置来确定值,以重构目标图像,生成SSM。为了检测红外点目标,采用自适应阈值分割来确定红外点目标的候选种子,自适应阈值分割我们将在 1.3 节中给出。图1展示背景单一、平滑的红外图像和复杂背景的红外图像通过非凸秩逼近最小化方法的置信度映射后归一化灰度图像及置信度映射的三维网格图像。从图中我们可以看出,非凸秩逼近最小化方法针对背景单一、平滑的红外图像展
23、示了较强的目标检测能力,但针对复杂背景的红外图像则有较高的虚警率。因此,我们将基于随机漫步者方法对基于非凸秩逼近最小化方法生成的种子图进行再一步的处理,以降低虚警率。1.2随机漫步者方法随机漫步者方法是一种基于图论的分割方法,属于一种交互式的图像分割15。该方法可以通过从少量标记像素开始的随机漫步者为每个未标记像素技术标签,它决定了概率pmc表示从无标记像素m开始到标记为c的有标记像素。它是以图像的像素为图的顶点v V,相邻像素之间的四邻域或八邻域关系为图的边e E,记为G=(V,E),表示相邻像素之间的链接。并根据像素属性及相邻像素之间特征的相似性定义图中各边的权值,以此构建网络图,两个像素
24、之间的权值定义为:wuv=exp(-|Ixu-Ixv|22),(13)其中,Ixu表示和xi强度的一个控制加权程度的常数,xu的值:du=vwuv,(14)控制参数控制任意两个节点之间的连接权度,在区间0.2,0.45选取,当=0.2得到满意的结果。图像的像素数和图的拉普拉斯矩阵分别定义为N和L,则N N矩阵L定义为24:Lmn=dm,vm=vn-wmn,vm 和 vn0,其他 是相邻的像素,(15)其中,dm定义为nwmn,L是边E为无向的对称矩阵。将图像中已标记像素和未标记像素分别记为pl、pu,pl C=1,2,3.,C,C表示有标记像素c的集合。pl以边上的权重为转移概率,未标记像素节
25、点为初始点,计算每个未标记节点首次到达各种子像素的概率pmc。pc的集合可分为pl和pu,也属于集合c。则plc的固定值记为:plmc=1,vm c0,其他.(16)根据概率大小,划分未标记节点,得到最终分割结果,即最优的puc:pkc=-L-1uBTl,L=(Lk BBT Lu),(17)图1(a)背景单一、平滑的红外图像,(b)复杂背景的红外图像,(c)表示(a)所对应红外图像的置信度映射的归一化灰度图像,(d)表示(b)所对应红外图像的置信度映射的归一化灰度图像,(e)为(c)的三维网格图像,(f)为(d)的三维网格图像Fig.1(a)The infrared image with a
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 改进 随机 漫步者 非凸秩 逼近 最小化 复杂 背景 红外 目标 检测 方法 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。